Inhaltsverzeichnis
- So arbeiten automatische Tuner heute
- Ansätze aus der Forschung
- 1. Genetische Algorithmen
- 2. Neuronale Netze
- 3. Reinforcement Learning
- Was es schon gibt: Tuner, die sich Antennen merken
- Stufe 1: Gedächtnis statt Suchen
- Stufe 2: Messen und rechnen statt Probieren
- Stufe 3: „Tune Once" im Demonstrator
- Open-Source-Projekte zum Mitbauen
- Wie ein KI-Tuner im Shack aussehen könnte
- Herausforderungen und Grenzen
- Selbst ausprobieren
- Zwei Videos zum Hintergrund
- Verwandte KI-Anwendungen im Shack
- Fazit
- Quellen und weiterführende Links
- Transparenzhinweis
Ein Antennentuner (ATU, Antenna Tuning Unit) ist für Funkamateure ein Alltagswerkzeug. Er bildet die Impedanz der Antennenanlage so ab, dass der Transceiver die gewohnten 50 Ohm sieht. Automatische Tuner erledigen das auf Knopfdruck. Die Frage dieses Artikels: Was könnte maschinelles Lernen daran verbessern, was ist belegt, und was ist bisher nur eine Idee? Vorweg die ehrliche Antwort: Aus der Forschung gibt es einige Arbeiten, ein fertiges „KI-Tuner"-Produkt für den Amateurfunk haben wir bei der Recherche nicht gefunden.
So arbeiten automatische Tuner heute
Die meisten automatischen Tuner sind ein L-Netzwerk aus einer Spule und einem Kondensator. Relais schalten verschiedene Kapazitäts- und Induktivitätswerte zu, ein Mikrocontroller misst das ROS (SWR) und probiert so lange Kombinationen aus, bis die Anpassung passt. Beim LDG AT-11MP etwa sind es laut Handbuch 256 Kapazitäts- und 256 Induktivitätsstufen, die Abstimmzeit liegt zwischen 0,1 und 6 Sekunden, im Mittel bei rund 2,5 Sekunden.
Wichtig: Schon klassische Tuner „lernen" ein bisschen. Sie speichern gefundene Einstellungen, damit sie bei derselben Frequenz sofort wieder bereit sind. Der Elecraft KAT500 etwa teilt den Frequenzbereich in Segmente (unter 3 MHz je 10 kHz, von 3 bis 26 MHz je 20 kHz breit) und merkt sich die Einstellung pro Segment. Ist ein Segment noch leer, startet er mit den Werten des nächstgelegenen gespeicherten Segments. Beim LDG AT-1000ProII nennen Händler eine Abstimmzeit aus dem Speicher von unter 0,2 Sekunden. Eine neue Frequenz dauert dagegen länger, laut Datenblatt im Schnitt rund 3 Sekunden.
Wo bleibt also Luft nach oben? Bei Frequenzen und Antennen, die der Tuner noch nie gesehen hat, bei komplizierten Lasten mit mehreren ähnlich guten Lösungen und bei Anlagen, die sich über Wetter und Jahreszeit verändern. Für Contestbetrieb, wo jeder Bandwechsel zählt, wäre das interessant.
Ansätze aus der Forschung
Das Problem „Impedanz anpassen, indem man Bauteilwerte schaltet" ist in der Wissenschaft gut untersucht, allerdings fast ausschließlich für Mobilfunk, WLAN und andere GHz-Anwendungen, nicht für Kurzwelle mit Hochleistungsrelais. Drei Richtungen sind relevant.
1. Genetische Algorithmen
Ein genetischer Algorithmus erzeugt eine „Population" von Bauteilkombinationen, behält die besten, kreuzt und mutiert sie und wiederholt das. Alibakhshikenari und Kollegen (Scientific Reports, 2020) nutzen eine quanteninspirierte Variante (AQGA), um ein T-Netzwerk zwischen Transceiver und Antenne im Bereich 1,4 bis 5 GHz abzustimmen. Ihre Messungen: 49 bis 75 Prozent kürzere Abstimmzeit als mit einem klassischen genetischen Algorithmus, bei 1,4 GHz im Mittel 6,5 statt 26,1 Sekunden, und deutlich weniger Rechenschritte (rund 190 bis 440 statt 15.000 bis 577.000 Epochen). Aus dieser Arbeit folgt nicht, dass ein genetischer Algorithmus schneller ist als ein guter klassischer Suchalgorithmus im Funkgerät, sondern nur, dass er sich verbessern lässt.
2. Neuronale Netze
Hier bestimmt ein trainiertes Netz die Bauteilwerte direkt, ohne langes Probieren. Kim und Bang (Sensors, 2021) trainierten ein tiefes neuronales Netz, das aus dem Betrag von S11 die Werte eines Anpassnetzwerks für eine invertierte F-Antenne bestimmt (0,8 bis 1,5 GHz). Trainiert wurde mit simulierten Daten, das Training dauerte rund 10,5 Minuten. Hasan und Cheffena (IEEE Access, 2023) zeigen eine besonders kleine „Shallow-Learning"-Variante für 2,45 GHz, die ebenfalls nur den S11-Betrag braucht. Älter, aber näher an einem Tuner-Mikrocontroller: Hemminger (2005) verwendete drei kleine neuronale Netze für Doppelstichleitungs-Tuner, mit dem Ziel eines billigen Mikrocontroller-Systems.
Der Reiz: Ein ROS-Meter liefert nur den Betrag des Reflexionsfaktors, nicht seine Phase. Ein Netz, das trotzdem sinnvoll rät, wäre auch für einfache Hardware interessant.
3. Reinforcement Learning
Beim Reinforcement Learning (RL) lernt ein Agent durch Belohnung, welche Schaltschritte zum Ziel führen. Eine Arbeit von Zhang, Cheng, Wang und Chen (arXiv, April 2026) beschreibt das Abstimmen als Regelungsproblem und setzt ein tiefes RL-Verfahren ein. Als Zustand dienen Frequenzmerkmale und Anpassungsgüte, die Belohnung gewichtet Genauigkeit und Geschwindigkeit. Laut Autoren ist es genauer, effizienter und stabiler als klassische heuristische und gradientenbasierte Verfahren. Konkrete Zahlen standen in der Zusammenfassung nicht, die Arbeit ist außerdem ein Vorabdruck und noch nicht begutachtet. Mehrere US-Patente beschreiben ebenfalls RL- und ML-gestützte Abstimmung, vor allem für Handy-Antennen.
Was es schon gibt: Tuner, die sich Antennen merken
Ein Tuner mit echtem neuronalem Netz ist uns nicht begegnet. Aber die Industrie und die Bastlerszene gehen den Weg zur „intelligenten" Anpassung schon ein Stück, und zwar in drei Stufen.
Stufe 1: Gedächtnis statt Suchen
Der Klassiker unter den lernenden Tunern ist der SGC SG-237 „Smartuner" (1,8 bis 60 MHz, 3 bis 100 W PEP). Ein nichtflüchtiger Speicher hält bereits gefundene L/C-Kombinationen für 170 Frequenzen fest. Laut Datenblatt dauert die erste Abstimmung typisch unter 2 Sekunden, ein Wiederholfall unter 10 Millisekunden. Der Tuner ist inzwischen eingestellt. Auf der Seite von OE3MZC sammeln österreichische Anwender ihre Erfahrungen, mitsamt Problemen: manche Drahtlängen ließen sich nicht abstimmen, ein Tuner hing auf 50 MHz, und schlechte Erdung führte zu unruhigem Verhalten. Das ist ein guter Hinweis darauf, wie stark ein Lernverfahren von der Anlage abhängt.
Stufe 2: Messen und rechnen statt Probieren
Der MFJ-939 IntelliTuner (200 W, 1,8 bis 30 MHz) geht einen Schritt weiter. Wird für die Frequenz nichts im Speicher gefunden (über 20.000 Speicherplätze), startet ein „AdaptiveSearch"-Algorithmus. Er misst die komplexe Impedanz der Antenne, berechnet die nötigen Bauteile, schaltet sie zu und stimmt anschließend auf minimales ROS nach. Liegt die Impedanz außerhalb des Messbereichs, sucht er gezielt nur in den passenden Bauteilbereichen und wiederholt die Suche notfalls mit einem anderen Muster. Das ist genau die Kombination aus Startpunkt und Feinabstimmung, die wir weiter unten als Idee beschreiben, nur ohne Training. Laut Beschreibung dauert eine neue Abstimmung „einen Bruchteil einer Sekunde".
Stufe 3: „Tune Once" im Demonstrator
Southwest Antennas zeigt einen HF-Auto-Tuner (1,8 bis 30 MHz) als Technologie-Demonstrator für Systemintegratoren. Laut Hersteller lernt die „Tune Once"-Technik erfolgreiche Abstimmlösungen, speichert sie auf bis zu 512 Kanälen und ruft sie später ab. Der Hersteller spricht außerdem davon, dass tausende Anpassungskombinationen bewertet werden. Wie das intern funktioniert, steht dort nicht. Ob Machine Learning im engeren Sinn im Spiel ist, bleibt offen. Es ist aber der Bereich, in dem die Branche mit professionellen Funkplattformen experimentiert.
Open-Source-Projekte zum Mitbauen
Wer selbst ansetzen will, findet solide Plattformen. Keine davon enthält maschinelles Lernen, aber alle haben die Hardware (schaltbare L- und C-Stufen) und einen Mikrocontroller, auf den sich ein Lernverfahren aufsetzen ließe:
- ATU_0_HW von DM1CR (papamidas): KiCad-Design eines LC/CL-Tuners mit 256 Kapazitätsstufen (0 bis 2,5 nF) und 256 Induktivitätsstufen (0 bis 15 µH), Arduino Nano, bistabile Relais (25 bis 45 mA), Steuerung per Bluetooth-App, zehn Speichertasten für Bänder.
- ATU von DM3MAT (Hannes Matuschek): kleiner portabler QRP-Tuner für einen Draht von rund 10 m mit 1:9-UnUn auf 80 bis 10 m. Hardware und Firmware stehen unter CC BY-SA 4.0. Der Autor bezeichnet den Stand als ersten Prototyp.
- K3NG Antenna Tuner: Arduino-basierter automatischer Tuner des bekannten Open-Source-Entwicklers, GPL-3.0.
- UR7HFO: Simple Automatic Antenna Tuner: stromsparender Tuner auf einem STM32F103, mit Schaltplänen und Gerber-Dateien.
- TCI ICOM Tuner Interface: ESP32-Firmware, die einen ICOM-AH-4-Tuner an eine SDR mit TCI-Protokoll anbindet, per WLAN. Interessant als Beispiel, wie ein ESP32 Frequenzdaten vom Funkgerät bekommt. Genau diese Information bräuchte ein lernender Tuner.
Ein Hinweis zur Einordnung: Das Wissenschafts-Werkzeug AntennaCAT setzt Machine Learning ein, um Antennen mit EM-Simulation zu entwerfen. Das ist verwandt, aber kein Tuner.
Wie ein KI-Tuner im Shack aussehen könnte
Dieser Abschnitt ist eine Überlegung, keine Beschreibung eines Produkts:
- Lernen im Betrieb: Der Tuner protokolliert Frequenz, Antenne, Ausgangs-ROS und die gefundene Einstellung. Aus diesen Daten entsteht ein Modell, das bei bekannten Antennen einen guten Startpunkt liefert.
- Startpunkt plus Feinabstimmung: Das Modell schlägt eine Einstellung vor, ein klassischer Algorithmus stimmt danach noch ein bis zwei Schritte fein. So bleibt das Ergebnis auch dann gut, wenn sich etwas verändert hat, zum Beispiel durch nasse Antennen oder ein verändertes Umfeld.
- Antennenerkennung: Aus Impedanzmustern lässt sich ableiten, welche Antenne gerade hängt. Ein EFHW verhält sich anders als ein Dipol oder eine Magnetic Loop.
Herausforderungen und Grenzen
- Messdaten: Ein ROS-Meter liefert nur den Betrag, nicht die komplexe Impedanz. Mit Betrag und Phase (etwa über ein NanoVNA oder eine Messbrücke im Tuner) fällt die Aufgabe leichter.
- Hohe Leistung: Die Arbeiten behandeln Milliwatt-Signale im GHz-Bereich. Auf Kurzwelle mit 100 W bis 1 kW schalten Relais Hochspannung. Hier darf nur im Leerlauf oder bei sehr geringer Leistung abgestimmt werden, damit die Kontakte nicht verbrennen.
- Rechenleistung: Kleine Modelle laufen auf Mikrocontrollern, große RL-Netze brauchen mehr. Edge-KI-Hardware wie Google Coral oder NVIDIA Jetson wäre ein möglicher Weg.
- Trainingsdaten und Overfitting: Ein Modell, das nur an einer Antenne trainiert wurde, funktioniert an einer anderen schlecht. Bei jeder neuen Anlage müsste es nachlernen.
- Sicherheit: Ein Lernverfahren darf nie Einstellungen wählen, die den Transceiver gefährden. Grenzwerte für ROS und Leistung müssen fest einprogrammiert bleiben.
Selbst ausprobieren
Ein komplettes KI-Tuning ist Bastelei für Fortgeschrittene. Einen Einstieg bietet der quelloffene ATU-100-Tuner (PIC-Mikrocontroller, etwa als Projekt bei PCBWay dokumentiert). Eine Lernschicht obendrauf, zum Beispiel eine Tabelle gemerkter Einstellungen oder ein kleines Modell auf einem Raspberry Pi, wäre ein überschaubares Experiment. Ein Praxisbeispiel für verwandte KI-Experimente findet sich in Automatische CW-Decodierung mit neuronalen Netzen.
Zwei Videos zum Hintergrund
Wie ein Tuner funktioniert, erklären diese beiden Videos (beide auf Englisch). Sie behandeln klassische Tuner, nicht KI. Sie liefern aber die Grundlage, auf der jede KI-Variante aufbauen müsste.
Der erste Film („How Does an Antenna Tuner Work?" von Budget Ham Radio) zeigt mit einem NanoVNA, wie ein T-Netzwerk eine Fehlanpassung ausgleicht.
Der zweite („Antenna Tuners: How does it do THAT?" von Electronics for the Inquisitive Experimenter) erklärt das Prinzip hinter der Anpassung.
Verwandte KI-Anwendungen im Shack
- KI-gestützte Rauschunterdrückung
- KI und Ausbreitungsvorhersage
- Automatische CW-Decodierung
- ChatGPT und Claude als Shack-Assistenten
Fazit
Die Idee, Antennentuner mit maschinellem Lernen zu verbessern, ist wissenschaftlich gut begründet. Genetische Algorithmen, neuronale Netze und Reinforcement Learning wurden für die Impedanzanpassung bereits untersucht. Die Zahlen stammen aber aus dem GHz-Bereich und aus kleinen Leistungen. Für Kurzwelle gibt es nach unserer Recherche weder Messreihen noch ein Amateurfunk-Produkt mit nachweislich trainiertem Modell. Der Weg dorthin ist aber vorgezeichnet: vom reinen Speicher (SG-237) über Messen und Rechnen (MFJ IntelliTuner) bis zu lernenden Lösungen wie dem Southwest-Demonstrator. Und offene Hardware wie die Tuner von DM1CR und DM3MAT wartet nur darauf, dass jemand die Lernschicht dazubaut. Heutige Tuner sind schnell und merken sich Einstellungen, ein großer Zeitgewinn wäre vor allem bei neuen Frequenzen und neuen Antennen denkbar. Wer experimentieren möchte, kann das auf eigene Verantwortung tun, mit harten Sicherheitsgrenzen für ROS und Leistung.
73 – eure oeradio.at-Redaktion
Quellen und weiterführende Links
- Zhang, Cheng, Wang, Chen: An Adaptive Antenna Impedance Matching Method via Deep Reinforcement Learning, arXiv:2604.07736, April 2026 (Vorabdruck)
- Alibakhshikenari et al.: Improved adaptive impedance matching for RF front-end systems of wireless transceivers, Scientific Reports 10, 14065 (2020), DOI 10.1038/s41598-020-71056-0
- Kim, Bang: Antenna Impedance Matching Using Deep Learning, Sensors 21(20), 6766 (2021), DOI 10.3390/s21206766
- Hasan, Cheffena: Adaptive Antenna Impedance Matching Using Low-Complexity Shallow Learning Model, IEEE Access, 2023
- Hemminger: Antenna impedance matching with neural networks, Penn State, 2005
- Patente: US 11,882,527 (Data-driven methods for look up table-free closed-loop antenna impedance tuning) und US 11,916,606 (Machine learning-assisted adaptive antenna tuning)
- Elecraft: KAT500 Owner's Manual (Speicher pro Frequenzsegment)
- LDG: AT-1000ProII bei WiMo (Datenblattangaben), AT-11MP Handbuch (Stufen und Abstimmzeit)
- Produkte: SGC SG-237 Smartuner (OE3MZC-Anwenderseite), MFJ-939 IntelliTuner, Southwest Antennas HF Auto-Tuner (Herstellerangaben)
- Open Source: ATU_0_HW (DM1CR), ATU (DM3MAT), K3NG Antenna Tuner, UR7HFO STM32-Tuner, TCI ICOM Tuner Interface, AntennaCAT
- IZ2UUF: How does a tuner… tune? und Electronics Notes: Was ist ein ATU? (Grundlagen)
- Videos: Budget Ham Radio, Electronics for the Inquisitive Experimenter (YouTube)
- Bilder: Titelbild und Innenansicht: Adamantios, Wikimedia Commons, CC BY-SA 3.0. L-Netzwerk: Ken g6, Wikimedia Commons, gemeinfrei.
Transparenzhinweis
Dieser Artikel wurde mit Unterstützung von KI (Claude, Anthropic) recherchiert und verfasst. Die Redaktion hat alle Inhalte überprüft und redaktionell bearbeitet. Trotz sorgfältiger Prüfung können vereinzelt Ungenauigkeiten enthalten sein, wir freuen uns über Hinweise per E-Mail an [email protected].
